【正文】 度）。 灰度化處理的方法主要有 3 種 :最大值法，使 R,G,B 的值等于這 3 個(gè)值中最大的一個(gè)，即 R=G=B=max(R,G,B)；平均值法，利用 R,G,B 的值求出平均值，即 R=G=B=(R+G+B)/3；加權(quán)平均值法，根據(jù)重要性或其他 指標(biāo)給 R,G,B 賦予不同的權(quán)值，并使 R,G,B 的值加權(quán)平均，即 R=G=B=（ BWGWRW BGR ?? ） /3,式中， RW ， GW ， BW 分別為 R,G,B 的權(quán)值。 RW ，GW ， BW 取不同的值時(shí)，加權(quán)平均法就會(huì)形成不同的灰度圖像。 由于人眼對(duì)綠色的敏感度最高，對(duì)紅色的敏感度次之，對(duì)藍(lán)色的敏感度最差，因此使 GW RW BW 將得到較合理的灰度圖像。實(shí)驗(yàn)證明，當(dāng) RW =， GW =， BW = 時(shí)，能得到最合理的灰度圖像。本武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 7 次設(shè)計(jì)也采用這種方法實(shí)現(xiàn)圖像的灰度化處理。 汽車(chē)牌照?qǐng)D片以及灰度化之后的圖片如下所示。 圖 2 汽車(chē)牌照?qǐng)D像 圖 3 汽車(chē)牌照灰度化圖像 （ 2） 邊緣檢測(cè) 在本次設(shè)計(jì)中，邊緣檢測(cè)的目的是解決在何處進(jìn)行有色點(diǎn)對(duì)搜索的問(wèn)題。 確定圖像中的物體邊界的一種方法 是先檢測(cè)每個(gè)像素和其直接領(lǐng)域的狀態(tài)，以決定該像素是否確實(shí)處于一個(gè)物體 的邊界上。具有這種特性的像素被標(biāo)為邊緣點(diǎn)。當(dāng)圖像中各個(gè)像素的灰度級(jí)用來(lái)反映各像素符合邊緣像素要求的程度時(shí)，這種圖像被稱為邊緣圖像或邊緣。邊緣大多存在于圖像中的背景與物體之間、 基元與基元之間、物體與物體之間。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 8 比較好的 的邊緣提取方法是考察圖像的每個(gè)像素點(diǎn)在某個(gè)領(lǐng)域內(nèi)灰度的變化，利用邊緣鄰域的一階或二階方向?qū)?shù)變化規(guī)律檢測(cè)邊緣。 其中比較常用的幾種邊緣檢測(cè)算子有如下幾種： ① Roberts 邊緣檢測(cè)算子 Roberts 邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算子，它由如下計(jì)算公式給出： 2])1,1(),({[),( ???? yxfyxfyxg 212 }])1,(),1([ ???? yxfyxf 其中 ),( yxf 是具有整數(shù)像素坐標(biāo) ),( yx 的輸入圖像值，平方根 運(yùn)算使該處理類似于人類視覺(jué)系統(tǒng)中發(fā)生的過(guò)程。 Roberts 算子邊緣定位準(zhǔn)確，但是對(duì)噪聲敏感，適用于邊緣明顯而且噪聲較少的圖像分割。 ② Prewitt 邊緣檢測(cè) 算子 Prewitt 邊緣檢測(cè) 算子對(duì)噪聲有抑止作用，抑止噪聲的原理是通過(guò)像素平均。 如圖 3 所示 的兩個(gè)卷積核形成了 Prewitt 邊緣算子，圖像中的每個(gè) 點(diǎn)都要這兩個(gè)核做卷積，取最大值作為輸出 ，運(yùn)算結(jié)果是 一幅邊緣幅度圖像。 ?????????? ???111000111 , ?????????????101101101 圖 4 Prewitt 邊緣檢測(cè)算子 ③ Sobel邊緣檢測(cè)算子 如圖 4 所示的兩個(gè)卷積核形成了 Sobel邊緣檢測(cè) 算子。和利用 Prewitt 算子的方法一樣，圖像中的每個(gè)點(diǎn)都用這兩個(gè)核進(jìn)行卷積。這兩個(gè)卷積核分別用來(lái)計(jì)算水平和垂直方向的梯度。一個(gè)核對(duì)垂直的邊緣響應(yīng)最大，另一個(gè)對(duì)水平邊緣響應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出，運(yùn)算結(jié)果也得到一幅邊 緣幅度圖像。 ?????????? ???121000121 , ?????????????101202101 圖 5 Sobel邊緣檢測(cè)算子 ④ Krisch 邊緣 檢測(cè) 算子 Krisch 邊緣算子則具有 8 個(gè)卷積核。圖像中的每個(gè)點(diǎn)都用這 8 個(gè)掩模進(jìn)行卷積，每 個(gè)掩模都對(duì)某個(gè)特定邊緣方向作出最大的響應(yīng)，所有 8 個(gè)方向中的最大值作為邊緣圖像的輸出。最大響應(yīng)掩模的序號(hào)構(gòu)成了邊緣方向的編碼。 ⑤ Laplacian 邊緣檢測(cè)算子 (1) 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 9 Laplacian 算子是對(duì)二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子。 它定義 算式如下 ： 22222 ),(y fx fyxf ??????? (2) )),1(()),((),( yxffyxffyxf xxxx ??? ),1(),(2),1( yxfyxfyxf ????? 寫(xiě)成模板格式就是： ? ?121 ? 同樣， ),( yxfyy 可以簡(jiǎn)化為： ? ?T121 ? 由 xxf 和 yyf 可形成 4 鄰域和 8 鄰域內(nèi)的無(wú)方向性算子： Laplcian4 鄰域算子：?????????????0101410102 Laplcian8 鄰域算子：?????????????1111811112 由于 Laplacian 算子是一個(gè)二階導(dǎo)數(shù)，它將在邊緣處產(chǎn)生一個(gè)陡峭的零交叉，它是一個(gè)線性的、移不變的算子，它的傳遞函數(shù)在頻率域空間的原點(diǎn)為零。 Laplacian 算子對(duì)噪聲很敏感，一般先進(jìn)行平滑濾波，再進(jìn)行 二階微分。 經(jīng)過(guò)對(duì)比，本文所選取的是 Prewitt 邊緣檢測(cè)算子。經(jīng)過(guò) Prewitt 邊緣檢測(cè)算子后的車(chē)牌 圖像如下圖 圖 5 所示。 圖 6 車(chē) 牌邊緣提取圖片 (3) 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 10 （ 3） 二值化 經(jīng)過(guò)邊緣檢測(cè)后，汽車(chē)牌照?qǐng)D像信息大大減少。但是剩下的信息中仍然存在著 0255共 256 個(gè)灰度級(jí)分布。而經(jīng)過(guò)二值化處理后，汽車(chē)圖像的物體邊緣點(diǎn)理論上又會(huì)縮小 50%。這又大幅度的提高了有色點(diǎn)對(duì)搜索的速度。 圖像的二值化處理就是將圖像上的點(diǎn)的灰度置為 0 或 255，即將整個(gè)圖像呈現(xiàn)出顯著的黑白效果。 在車(chē)牌自動(dòng)識(shí)別系統(tǒng)中，對(duì)圖像二值處理的關(guān)鍵是要確定適當(dāng)?shù)拈?值， 以便使字符與背景能分割 出 來(lái)， 并 且二值 化后的 圖像必須要具備良好的保形性，不 會(huì) 丟掉有用的信息，不會(huì)產(chǎn) 生額外的空缺等。同時(shí)，車(chē)牌 自動(dòng) 識(shí)別系統(tǒng)要求處理 成本低、 速度高 、信息量大，采用二值圖像進(jìn)行處理，能有效的提高處理效率。 二值化后的圖像如圖 6 所示。 圖 7 車(chē)牌 邊緣 二值化圖像 （ 4）點(diǎn)對(duì)搜索 由于顏色判斷屬于模糊判斷，為了適應(yīng)大多數(shù)情況，提高算法的精確度，這里進(jìn)行如下定義：設(shè)某一點(diǎn)的紅綠藍(lán)色分量分別為 bgr CCC , 。當(dāng)某一點(diǎn)的顏色滿足 bC grCf ,1? ，并且 bC 1T 時(shí)，即認(rèn)為該點(diǎn)為藍(lán)色點(diǎn)。其中 1f =， 1T =20。 當(dāng)某一點(diǎn)的顏色滿足SfC bgr ?? 2, ，并且 bC + gC + rC 2T 時(shí)即認(rèn)為該點(diǎn)為白色點(diǎn)。其中， 2f =， 2T =200，S = bC + gC + rC 。 假設(shè) 汽車(chē)圖像由 M 行 N 列點(diǎn)陣集組成， p(i,j)為點(diǎn)陣集中第 i 行 j 列彩色點(diǎn)值。而有色點(diǎn)對(duì)個(gè)數(shù)為 n，各有色點(diǎn)對(duì)的坐標(biāo)為 ((x[k],y1[k]),(x[k],y2[k])) k=1,2,… n。 有色點(diǎn)對(duì)搜索步驟如下： 步驟 1：從 i=0， j=1，開(kāi)始 搜索，有色點(diǎn)對(duì)個(gè)數(shù)為 n=0，如圖 6 車(chē)牌邊緣二值化圖像中 p(0,1)=1，則分別判斷圖 1 汽車(chē)牌照?qǐng)D像中 p(0,0)和 p(0,2)的顏色。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 11 步驟 2：若 p(0,0)為藍(lán)色而 p(0,2)為白色，則認(rèn)為 p(0,2)為疑似有色點(diǎn)對(duì)的起始 值 。 記下坐標(biāo)值 x[n]=0,y1[n]=1， j=j+1，轉(zhuǎn)至步驟 4。若不滿足上述條件，則轉(zhuǎn)至步驟 3。 步驟 3：繼續(xù)判斷 p(i,j)是否為疑似有色點(diǎn)對(duì)的起始值。若是記下坐標(biāo)值 x[n]=i， y1[n]=j，j=j+1，轉(zhuǎn)至步驟 4，繼續(xù)搜索該疑似有色點(diǎn)對(duì)的終止值。若不是，則 j=j+1， i=i+1， 重復(fù)步驟 3。當(dāng) i=M1， j=N1 時(shí)，認(rèn)為本圖片不含汽車(chē)牌照區(qū)域，轉(zhuǎn)至步驟 5。 步驟 4： j=j+1，判斷 p(i,j1)是否為白色而 p(i,j+1)是否為藍(lán)色。如果是，則認(rèn)為找到該疑似有色點(diǎn)對(duì)的終止值，并成功找到一個(gè)有色點(diǎn)對(duì)，記下坐標(biāo)值 x[n]=i， y2[n]=j，而該有色點(diǎn)對(duì)的坐標(biāo)為 ((x[n],y1[n]),(x[n],y2[n]))，且 n=n+1，轉(zhuǎn)至步驟 3，繼續(xù)尋找下一個(gè)有色點(diǎn)對(duì)。若不是，重復(fù)本步驟，并記下重復(fù)次數(shù)。當(dāng)重復(fù)的次數(shù)超過(guò)一個(gè)閾值 T，則認(rèn)為該疑似點(diǎn)不是有色點(diǎn)對(duì)的起始點(diǎn)，取消終止點(diǎn)的搜 索。返回步驟 3。 步驟 5：退出有色點(diǎn)對(duì)搜索程序。 字符區(qū)填充 字符區(qū)填充目的是將汽車(chē)牌照內(nèi)的字符重點(diǎn)顯現(xiàn)出來(lái)，以作為汽車(chē)牌照區(qū)復(fù)現(xiàn)的依據(jù)。其具體做法如下所示： 針對(duì)所有找到的有色點(diǎn)對(duì)， ((x[k],y1[k]),(x[k],y2[k])) k=1,2,… n。將起始點(diǎn)與終止點(diǎn)之間用 pixel=0 的黑色點(diǎn)連接起來(lái)。 其效果就是將字符區(qū)用黑色直線填充起來(lái)。 汽車(chē)牌照字符區(qū)搜索填充結(jié)果圖如圖 7 所示。 圖 8 汽車(chē)牌照字符區(qū)搜索填充結(jié)果圖 汽車(chē)牌照區(qū)域的復(fù)現(xiàn) 通過(guò)對(duì)汽車(chē)牌照字符的識(shí)別和填充，在汽車(chē)圖 像中的汽車(chē)牌照區(qū)域已經(jīng)形成了比較密集的黑色區(qū)域，但是這些黑色區(qū)很不規(guī)則，也沒(méi)有完全覆蓋整個(gè)汽車(chē)牌照區(qū)域，還不能直接用于汽車(chē)牌照定位。為此，本系統(tǒng)采用圖像形態(tài)學(xué)對(duì)該黑色區(qū)進(jìn)行處理。 形態(tài)學(xué)一般指生物學(xué)中研究動(dòng)物和植物結(jié)構(gòu)的一個(gè)分支。近年來(lái)人們用數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素，去度量和提取圖像中的對(duì)應(yīng)形狀，以達(dá)到對(duì)圖像分析和識(shí)別的目的。一般認(rèn)為數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有 4 個(gè)：膨脹、腐蝕、開(kāi)啟和閉合。 （ 1） 膨脹 膨 脹 的 運(yùn) 算 符 為 ? ， A 用 B 來(lái) 膨 脹 寫(xiě) 作 A ? B ， 其 定 義 為 ：武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 12 ?????? ?????? ?????????? ABxBA X ?^| ，上式表明用 B 膨脹 A 的過(guò)程是，先對(duì) B 做關(guān)于原點(diǎn)的反射，再將反射后的圖像平移 x，這里 A 與 B 反射后的圖像的交集不為空集。換句話說(shuō)，用 B 來(lái)膨脹 A 得到的 集合是 ^B 的位移與 A 中至少有一個(gè)非零的元素相交時(shí) B 的原點(diǎn)位置的集合。故上式可改寫(xiě)為：?????? ??????? ???????? AABxBA X ?^| 可借助卷積的概念來(lái)理解膨脹操作。如果將 B 看做一個(gè)卷積模 板，膨脹就是先對(duì) B 做關(guān)于原點(diǎn)的反射，再將反射后的圖像連續(xù)地在A 上移動(dòng)而實(shí)現(xiàn)的。 （ 2） 腐蝕 腐蝕的運(yùn)算符為 ? ， A 用 B 來(lái)腐蝕寫(xiě)作 A? B，其定義為： ? ?? ?ABxBA X ??? | 。上式表明 A 用 B 腐蝕的結(jié)果是所有 x 的集合，其中 B 平移 x 后仍在 A 中。換句話說(shuō)，用 B來(lái)腐蝕 A 得到的集合是 B 完全包含于 A 中時(shí) B 的原點(diǎn)位置的集合。通過(guò)上式可以幫助人們借助相關(guān)概念來(lái)理解 腐蝕操作。 （ 3）原點(diǎn)不包含在結(jié)構(gòu)元素中時(shí)的膨脹和腐蝕 以 上討論時(shí)都假設(shè)原點(diǎn)包含在結(jié)構(gòu)元素中（即原點(diǎn)屬于結(jié)構(gòu)元素）。此時(shí)對(duì)膨脹運(yùn)算來(lái)說(shuō)，總有 BAA ?? 。對(duì)腐蝕運(yùn)算來(lái)說(shuō)，總有 ABA ?? 。 當(dāng)原點(diǎn)不包含在結(jié)構(gòu)元素中時(shí)，對(duì)膨脹運(yùn)算來(lái)說(shuō)只有一種可能，即 BAA ?? 。但對(duì)腐蝕運(yùn)算來(lái)說(shuō) ，如果原點(diǎn)不包含在結(jié)構(gòu)元素中，則有兩種可能，或者是 ABA ?? ，或者是 ABA ?? 。 （ 4） 開(kāi)啟 (Open)和閉合 (Close) 膨脹和腐蝕并不是互為逆運(yùn)算，所以它們可以級(jí)聯(lián)結(jié)合使用。例如，可以先對(duì)圖像進(jìn)行腐蝕然后膨脹其結(jié)果，或先對(duì)圖像進(jìn)行膨脹然后腐蝕其結(jié)果（這里使用同一個(gè)結(jié)構(gòu)元素）。前一種 運(yùn)算稱為開(kāi)啟，后一種運(yùn)算稱為閉合。開(kāi)啟的運(yùn)算符為 “? ”， A 用 B 來(lái)開(kāi)啟寫(xiě)作 BA? ， 其定義為： ? ? BBABA ???? 。閉合運(yùn)算符為 “? ”， A 用 B 來(lái)閉合寫(xiě)作 BA? ，其定義式為： ? ? BBABA ???? 。開(kāi)啟和閉合不受原點(diǎn)是否在結(jié)構(gòu)元素之中的影響。開(kāi)啟和閉合運(yùn)算 都可以除去比結(jié)構(gòu)元素小的特定圖像細(xì)節(jié)，同時(shí)保證不產(chǎn)生全局的幾何失真。開(kāi)啟運(yùn)算可以把比結(jié)構(gòu)元素小的突刺濾掉，切斷細(xì)長(zhǎng)搭接而起到分離的作用。閉合運(yùn)算可以把比結(jié)構(gòu)元素小的缺口或孔填充上，搭接短的間斷而起到連通作用。 在本文中，用形態(tài)學(xué)開(kāi)運(yùn)算 （ open） ， ? ? SSXSX ???? 。 運(yùn)算 式中，目標(biāo)為 X，結(jié)構(gòu)元素為 S。本系統(tǒng)，結(jié)構(gòu)元素選用為 33 的矩形塊。 先用 S 對(duì) X 進(jìn)行腐蝕 處理 ? ?SX? ，黑武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 13 色點(diǎn)將腐蝕周?chē)陌咨c(diǎn)，并和附近的黑色點(diǎn)融合 成黑色區(qū)。當(dāng)腐蝕的次數(shù)足夠大時(shí)，所有的黑色點(diǎn)可以最終增長(zhǎng)融合為一個(gè)密封的黑色區(qū)。本系統(tǒng)中腐蝕的次數(shù)取為 12 次。腐蝕后，由于黑色區(qū)外沿也將隨之?dāng)U大，為了保證黑色區(qū)域不超過(guò)汽車(chē)牌照區(qū)域，再進(jìn)行 12次腐蝕的逆運(yùn)算，即膨脹 ? ?SX? ，把最終的黑色區(qū)縮為實(shí)際 汽 車(chē)牌 照區(qū)大小。經(jīng)過(guò)形態(tài)學(xué)處理后的汽車(chē)牌照?qǐng)D如圖 8 所示。 圖 9 汽車(chē)牌照有色點(diǎn)對(duì)形態(tài)學(xué)處理 汽車(chē)牌照區(qū)粗定位 粗